PERBANDINGAN METODE HIDDEN MARKOV MODEL DAN VECTOR QUANTIZATION UNTUK APLIKASI IDENTIFIKASI SUARA
|
|
- Dewi Chandra
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PERBANDINGAN METODE HIDDEN MARKOV MODEL DAN VECTOR QUANTIZATION UNTUK APLIKASI IDENTIFIKASI SUARA M. G. J. Harry Khesa S 1, W. Setiawan 2, I.G.A.K. Diafari Djuni H 3 1,2,3 Jurusan Teknik Elektro dan Komputer, Fakultas Teknik Universitas Udayana jayaharrykhesa@yahoo.co.id 1, widyadi@ee.unud.ac.id 2, igakdiafari@yahoo.com 3 Abstrak Identifikasi suara merupakan suatu cara yang bisa digunakan untuk mengetahui perbedaan dari masing masing individu seperti halnya fingerprint scan, retinal scan, atau face recognition. Diperlukan suatu aplikasi untuk memudahkan dalam proses identifikasi. Metode yang biasanya digunakan untuk recognition pada Aplikasi Identifikasi Suara adalah Hidden Markov Model atau Vector Quantization. Kedua metode pengenalan untuk Aplikasi Identifikasi Suara ini akan dibandingkan unjuk kerjanya dalam kondisi ideal maupun tidak ideal. Aplikasi identifikasi suara dengan metode Vector Quantization mempunyai nilai unjuk kerja lebih baik dengan hasil unjuk kerja sebesar 93% dibandingkan metode Hidden Markov Model yang sebesar 85% pada kondisi ideal dan 78% berbanding 69,5% pada kondisi tidak ideal, hal ini dikarenakan, pada metode Vector Quantization menggunakan layer tunggal dan tidak adanya layer tersembunyi seperti pada metode Hidden Markov Model. Kata Kunci: Aplikasi Identifikasi Suara, Vector Quantization, Hidden Markov Model Abstract Voice identification is a way that can be used to determine the differences of each - each individual as well as fingerprint scan, retinal scan, or face recognition. Needed an application to facilitate the identification process. The method is usually used for the Application Identification Voice recognition is a Hidden Markov Model or Vector quantization. The second method for the introduction of Voice Identification Application will be compared to its performance in ideal conditions and not ideal. Voice identification applications with Vector Quantization method has a better performance value with the performance results of 93% compared to the method of Hidden Markov Models which amounted to 85% in ideal conditions and 78% versus 69.5% in conditions not ideal, this is because, in Vector quantization method uses a single layer and no hidden layer as a method of hidden Markov Model. Keywords: Voice Identification Application, Vector Quantization, Hidden Markov Model 1. PENDAHULUAN Suara merupakan gabungan berbagai sinyal, tetapi suara murni secara teoritis dapat dijelaskan dengan kecepatan osilasi atau frekuensi yang diukur dalam Hertz (Hz) dan amplitudo atau kenyaringan bunyi dengan pengukuran dalam decibel [1]. Suara dihasilkan melalui proses Generation dan Filtering. Diproduksinya suara melalui bergetarnya pita suara (vocal cord) yang berada di larynx untuk menghasilkan bunyi periodik disebut Generation. Vocal tract yang terdiri dari lidah, gigi, bibir, langit-langit mulut dan lain-lain menghasilkan bunyi periodik yang bersifat konstan kemudian difilterisasi melalui sehingga bunyi tersebut dapat menjadi bunyi keluaran yaitu bunyi vokal dan/atau bunyi konsonan yang membentuk kalimat yang memiliki arti untuk speech recognition. Salah satu cara yang bisa digunakan untuk mengetahui perbedaan dari masing masing individu adalah identifikasi suara. Seperti halnya fingerprint recognition (identifikasi pola sidik jari pada setiap orang), retinal scan (identifikasi berdasarkan pola pembuluh darah pada retina mata), face recognition (pengenalan seseorang berdasarkan raut dan ekspresi seseorang dengan kunci utama pada letak mata dan mulut) [1]. Tidak semua pendengaran manusia mampu membedakan suara dari masing-masing individu yang dikenalnya dalam identifikasi terhadap suara manusia,. Kepekaan telinga juga memiliki keterbatasan M. G. J. Harry Khesa S, W. Setiawan, I.G.A.K. Diafari Djuni H. 107
2 dan sensitif terhadap berbagai macam suara. Oleh karena itu dibutuhkan suatu sistem untuk mengenali suara manusia tersebut sehingga mendapatkan hasil yang menunjukkan individu yang dimaksud. Metode yang biasanya digunakan untuk recognition pada Aplikasi Identifikasi Suara adalah Hidden Markov Model (HMM) atau Vector Quantization (VQ). Kedua metode recognition ini memilik algoritma yang berbeda untuk mengenali suara. Hidden Markov Model (HMM) adalah sebuah model statistik dari sebuah sistem yang diasumsikan sebuah proses Markov dengan parameter yang tak diketahui, dan tantangannya adalah menentukan parameter-parameter tersembunyi (hidden) dari parameter-parameter yang dapat diamati. Sedangkan Vector Quantization (VQ) adalah suatu metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input. Kelaskelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor-vektor input. Jika 2 vektor input mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor input tersebut kedalam kelas yang sama. Pada penelitian ini akan mencari hasil perbandingan unjuk kerja dari suatu Aplikasi Identifikasi Suara dengan metode recognition yang berbeda yaitu Hidden Markov Model (HMM) dan Vector Quantization (VQ) dengan parameter persentase keakuratannya dalam mengenali sampel suara yang diujicobakan sehingga didapatkan metode recognition mana yang paling cocok digunakan baik dalam kondisi ideal maupun kondisi tidak ideal. 2. TINJAUAN PUSTAKA Tinjauan pustaka pada penelitian ini mengacu kepada beberapa literatur yang terkait dengan penelitian yang dilakukan. Teori yang diambil berupa teori tentang suara, Jaringan Saraf Tiruan, Mel Frequency Cepstrum Coefficient (MFCC), Hidden Markov Model (HMM), dan Vector Quantization (VQ). 2.1 Suara Suara dihasilkan melalui proses Generation dan Filtering. Pada proses Generation, suara pertama kali diproduksi melalui bergetarnya pita suara yang berada di larynx untuk menghasilkan bunyi periodik [1]. Vocal tract yang terdiri dari lidah, gigi, bibir, langit-langit mulut dan lain-lain menghasilkan bunyi periodik yang bersifat konstan kemudian difilterisasi melalui sehingga bunyi tersebut dapat menjadi bunyi keluaran yaitu bunyi vokal dan/atau bunyi konsonan yang membentuk kalimat yang memiliki arti untuk speech recognition. Suara terdiri dari beberapa komponen, yaitu pitch, formant dan spectrogram yang dapat digunakan untuk mengidentifikasi karakteristik suara seseorang untuk kepentingan voice recognition. 2.2 Jaringan Saraf Tiruan Sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia disebut sebagai Jaringan Saraf Tiruan (JST) atau dalam Bahasa Inggris disebut Artificial Neural Network (ANN)) atau umumnya hanya disebut Neural Network (NN) adalah jaringan dari [2]. JST merupakan sistem adaptif yang dapat mengubah struktur untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Aplikasi Identifikasi Suara adalah salah satu contoh dari JST. Aplikasi Identifikasi Suara berfungsi untuk mengenali suara atau bunyi. Suatu Aplikasi Identifikasi Suara mempunyai keakuratan yang berbeda-beda dalam mengenali atau mengidentifikasi suara tergantung dari beberapa faktor seperti metode ekstraksi ciri, metode recognition, noise, dan lain-lain. 2.3 Mel Frequency Cepstrum Coefficient (MFCC) Ekstraksi fitur pada ASR (Automatic Speech Recognition) merupakan proses perhitungan urutan dari fitur vektor yang mampu merepresentasikan sinyal wicara yang ada secara optimal [3]. Fitur yang biasa digunakan adalah cepstral coefficient. MFCC merupakan metode ekstraksi fitur yang menghitung koefisien cepstral yang didasarkan pada variasi dari frekuensi kritis pada telinga manusia. M. G. J. Harry Khesa S, W. Setiawan, I.G.A.K. Diafari Djuni H. 108
3 Tahapan-tahapan dalam MFCC adalah frame blocking, windowing, fast fourier transform, mel frequency-wrapping, dan cepstrum. sebagai berikut. Hasil dari proses ini dinamakan Mel-Frequency Cepstrum Coefficients (MFCC) yang nantinya akan digunakan dalam proses recognition pada Aplikasi Identifikasi Suara. 2.4 Hidden Markov Model Hidden Markov Model merupakan sebuah model statistik dari sebuah sistem yang diasumsikan sebuah proses Markov dengan adanya parameter yang tak diketahui, lalu akan ditentukan parameter-parameter tersembunyi (hidden) dari parameter-parameter yang dapat diamati [4]. Setiap kondisi memiliki distribusi kemungkinan disetiap output yang berbeda. Walaupun parameter model diketahui, model tersebut tetap tersembunyi. HMM dapat digunakan untuk aplikasi dibidang temporal pattern recognition seperti pengenalan suara, tulisan, gestur, bioinformatika, kompresi kalimat, computer vision, ekonomi, finansial, dan pengenalan not balok. Dalam HMM, hanya urutan observasi saja yang dapat teramati, sedangan urutan statenya tersembunyi. Secara umum, HMM terdiri atas elemenelemen berikut : 1. Himpunan nilai output observasi, dimana adalah jumlah simbol observasi. 2. Himpunan state. Dimana menyatakan jumlah state yang terdapat pada HMM. 3. Himpunan probabilitas transisi antar state. Pada dasarnya, diasumsikan bahwa state berikutnya tergantung pada state pada saat ini. Asumsi ini menyebabkan proses perhitungan menjadi lebih mudah dan efisien untuk dilakukan. Probabilitas transaksi dapat dinyatakan dengan sebuah matriks A=, dimana adalah probabilitas transaksi dari state ke state. 4. Himpunan probabilitas output pada setiap state. Yang juga disebut probabilitas emisi adalah probabilitas dari simbol output pada state. 5. Himpunan state awal, dimana adalah probabilitas state menjadi state awal pada urutan state HMM. Gambar 1. Parameter Probabilistik pada Hidden Markov Model 2.5 Vector Quantization Vector Quantization adalah suatu metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi [5]. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektorvektor masukan. Kelas-kelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor-vektor input. Jika 2 vektor input mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor masukan tersebut kedalam kelas yang sama. Teknik VQ terdiri dari mengekstraksi sebagian kecil vektor corak sebagai contoh untuk menandai karakter spesifik pembicara agar lebih efisien. Dengan penggunaan corak data suara pelatihan yang dikelompokkan untuk membentuk suatu codebook untuk masing-masing pembicara. Dalam langkah pengenalan, data dari pembicara yang diuji dibandingkan kepada codebook dari tiap pembicaradan mengukurperbedaannya. Perbedaan ini kemudian digunakan untuk membuat keputusan pengenalan suara dari pembicara tersebut. M. G. J. Harry Khesa S, W. Setiawan, I.G.A.K. Diafari Djuni H. 109
4 Gambar 2. Vektor Sebelum Mengalami Proses Vector Quantization Gambar 3. Vektor Setelah Mengalami Proses Vector Quantization 3. METODOLOGI PENELITIAN Metode yang digunakan pada penelitian ini yaitu membandingkan hasil unjuk kerja dari Aplikasi Identifikasi Suara yang menggunakan dua metode recognition yang berbeda. Aplikasi Identifikasi Suara ini diujicobakan dalam dua kondisi, yaitu kondisi idea dan kondisi tidak ideal dengan kosa kata Selamat Pagi. Yang dimaksudkan dengan kondisi ideal adalah kondisi dimana tidak adanya noise pada rekaman yang diujicobakan. Sedangkan kondisi tidak ideal adalah kondisi dimana adanya noise pada rekaman yang dujicobakan dan diujicobakan dengan kosa kata yang berbeda. Tahapan tahapan pada penelitian inisebagai berikut, 1. Studi Literatur 2. Membuat aplikasi identifikasi suara menggunakan perangkat lunak Matlab dengan menggunakan metode ekstraksi ciri Mel Frequency Cepstrum Coefficient, metode recognition Hidden Markov Model dan Vector Quantization. 3. Merekam suara dari 10 orang mahasiswa dan 10 orang mahasiswi sebanyak 10 kali dalam 10 hari yang berbeda dalam kondisi sepi, kondisi ramai, dan nama masing-masing responden, 4. Hasil rekaman hari ke-1 sampai hari ke-5 digunakan sebagai data training dan hasil rekaman hari ke-6 sampai hari ke-10 digunakan sebagai data testing. 5. Mencatat hasil identifikasi rekaman suara dari hasil ujicoba identifikasi suara yang menggunakan metode Hidden Markov Model dan Vector Quantization. 6. Menganalisis perbandingan unjuk kerja Aplikasi Identifikasi Suara dengan metode Hidden Markov Model dan Vector Quantization. 7. Membuat kesimpulan dari hasil perbandingan unjuk kerja Aplikasi Identifikasi Suara dengan metode Hidden Markov Model dan Vector Quantization. 4. HASIL DAN PEMBAHASAN Penelitian perbandingan unjuk kerja metode Hidden Markov Model dan Vector Quantization untuk Aplikasi Identifikasi Suara ini menggunakan data berupa rekaman suara dari 10 orang mahasiswa dan 10 orang mahasiswi. Ada 3 jenis rekaman suara yang digunakan yaitu rekaman suara kata Selamat Pagi tanpa adanya noise, rekaman suara kata Selamat Pagi dengan adanya noise, dan rekaman suara dari nama masingmasing responden. Rekaman suara ntuk masing-masing jenis rekaman berjumlah 10 yang nantinya dibedakan menjadi 5 rekaman untuk data training dan 5 rekaman untuk data testing. Rekaman suara ini akan diujicobakan pada Aplikasi Identifikasi Suara dan nantinya akan didapatkan hasil unjuk kerja metode mana yang lebih baik untuk Apllikasi Identifikasi Suara. 4.1 Hasil Unjuk Kerja Aplikasi Identifikasi Suara Metode Vector Quantization Berdasarkan ujicoba yang sudah dilakukan dengan Aplikasi Identifikasi Suara Metode Vector Quantization pada kondisi ideal, dari 100 data testing yang diujicobakan, sebanyak 93 sampel berhasil diidentifikasi 93%. Sedangkan pada kondisi tidak ideal, dari 200 data testing yang diujicobakan, sebanyak 152 sampel berhasil diidentifikasi M. G. J. Harry Khesa S, W. Setiawan, I.G.A.K. Diafari Djuni H. 110
5 78%. Gambar 5. Grafik Jumlah Kesalahan Aplikasi Identifikasi Suara Metode Vector Quantization 4.2 Hasil Unjuk Kerja Aplikasi Identifikasi Suara Metode Hidden Markov Model Berdasarkan ujicoba yang sudah dilakukan dengan Aplikasi Identifikasi Suara Metode Hidden Markov Model pada kondisi ideal, dari 100 data testing yang diujicobakan, sebanyak 85 sampel berhasil diidentifikasi 85%. Sedangkan pada kondisi tidak ideal, dari 200 data testing yang diujicobakan, sebanyak 139 sampel berhasil diidentifikasi 69,5%. Dari hasil ujicoba, aplikasi identifikasi suara dengan metode Vector Quantization mempunyai nilai unjuk kerja sebesar 93% dibandingkan dengan aplikasi identifikasi suara dengan metode Hidden Markov Model yang mempunyai nilai unjuk kerja sebesar 85% pada kondisi ideal. Pada kondisi tidak ideal, hasil unjuk kerja aplikasi identifikasi suara dengan metode Vector Quantization 78% sedangkan hasil unjuk kerja aplikasi identifikasi suara dengan metode Hidden Markov Model adalah 69.5%. Aplikasi identifikasi suara dengan metode Vector Quantization mempunyai nilai unjuk kerja lebih baik, hal ini dikarenakan, pada metode Vector Quantization menggunakan layer tunggal dan tidak adanya layer tersembunyi seperti pada metode Hidden Markov Model. Gambar 7. Grafik Perbandingan Hasil Recognition pada Kondisi Ideal Gambar 6. Grafik Jumlah Kesalahan Aplikasi Identifikasi Suara Metode Hidden Markov Model 4.3 Perbandingan Hasil Unjuk Kerja Aplikasi Identifikasi Suara Metode Hidden Markov Model dan Vector Quantization Gambar 8. Grafik Perbandingan Hasil Recognition pada Kondisi Tidak Ideal (Noise) M. G. J. Harry Khesa S, W. Setiawan, I.G.A.K. Diafari Djuni H. 111
6 5. Metode Vector Quantization direkomendasikan digunakan sebagai metode recognition pada Aplikasi Identifikasi Suara karena memiliki hasil unjuk kerja yang lebih baik dibandingkan dengan metode Hidden Markov Model baik dalam kondisi ideal maupun tidak ideal. Gambar 9. Grafik Perbandingan Hasil Recognition pada Kondisi Tidak Ideal (Nama) 5. SIMPULAN Berdasarkan penelitian yang sudah dilakukan, dapat ditarik beberapa simpulan sebagai berikut : 1. Metode Vector Quantization dan Hidden Markov Model dapat digunakan sebagai metode recognition pada Aplikasi Identifikasi Suara. 2. Hasil unjuk kerja Aplikasi Identifikasi Suara dengan metode Vector Quantization pada kondisi ideal adalah sebesar 93% sedangkan pada kondisi tidak ideal didapatkan hasil unjuk kerja sebesar 85%. 3. Hasil unjuk kerja Aplikasi Identifikasi Suara dengan metode Hidden Markov Model pada kondisi ideal adalah sebesar 78% sedangkan pada kondisi tidak ideal didapatkan hasil unjuk kerja sebesar 69.5%. 4. Aplikasi identifikasi suara dengan metode Vector Quantization mempunyai nilai unjuk kerja lebih baik dibandingkan aplikasi identifikasi suara yang menggunakan metode Hidden Markov Model, hal ini dikarenakan, pada metode Vector Quantization menggunakan layer tunggal dan tidak adanya layer tersembunyi seperti pada metode Hidden Markov Model. 6. DAFTAR PUSTAKA [1] Nuh Al-Azhar, Muhhamad. Audio Forensic: Theory and Analysis. Pusat Laboratorium Forensik POLRI. [2] Adler, John., Azhar, Muhhamad., Supatmi, Sri. (Januari 2013). Identifikasi Suara dengan MATLAB sebagai Aplikasi Jaringan Saraf Tiruan. Teknik Komputer, Universitas Komputer Indonesia. [3] Dave, Namrata. (2013). Feature Extraction Methods LPC, PLP and MFCC In Speech Recognition. International Journal for Advance Research in Engineering and Technology, (Volume 1, Issue VI, July 2013). [4] Srinivasan, A (2011). Speech Recognition Using Hidden Markov Model. Department of Electronics and Communication Engineering Srinivasa Ramanujan Centre. SASTRA University. [5] Srinivasa, A., Ramaiah, Ch (Desember 2012). Speech Samples Recognition based on MFCC and Vector Quantization. Department Of Computer Science and Engineering V.R.Siddhartha Engineering College, Vijayawada, Andhra Pradesh, India M. G. J. Harry Khesa S, W. Setiawan, I.G.A.K. Diafari Djuni H. 112
BAB I PENDAHULUAN 1.1 Latar Belakang Suara adalah merupakan gabungan berbagai sinyal, tetapi suara murni secara teoritis dapat dijelaskan dengan
BAB I PENDAHULUAN 1.1 Latar Belakang Suara adalah merupakan gabungan berbagai sinyal, tetapi suara murni secara teoritis dapat dijelaskan dengan kecepatan osilasi atau frekuensi yang diukur dalam Hertz
Lebih terperinciPERBANDINGAN METODE HIDDEN MARKOV MODEL DAN VECTOR QUANTIZATION UNTUK APLIKASI IDENTIFIKASI SUARA
SKRIPSI PERBANDINGAN METODE HIDDEN MARKOV MODEL DAN VECTOR QUANTIZATION UNTUK APLIKASI IDENTIFIKASI SUARA MADE GDE JAYA HARRY KHESA S JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNIK UNIVERSITAS UDAYANA BUKIT JIMBARAN
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Wicara atau ucapan adalah cara berkomunikasi yang paling sederhana dan sering digunakan oleh manusia. Namun, seiring dengan perkembangan teknologi, proses komunikasi
Lebih terperinciBAB I PENDAHULUAN. Proses pengenalan kata merupakan salah satu fungsi dari
BAB I PENDAHULUAN I.1. Latar Belakang Masalah Proses pengenalan kata merupakan salah satu fungsi dari voice recognition. Voice recognition dibagi menjadi dua jenis, yaitu speech recognition dan speaker
Lebih terperinciudara maupun benda padat. Manusia dapat berkomunikasi dengan manusia dari gagasan yang ingin disampaikan pada pendengar.
BAB II DASAR TEORI 2.1 Suara (Speaker) Suara adalah sinyal atau gelombang yang merambat dengan frekuensi dan amplitudo tertentu melalui media perantara yang dihantarkannya seperti media air, udara maupun
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Indonesia
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dengan semakin berkembangnya teknologi telekomunikasi, internet menjadi sesuatu yang tidak lagi sulit dan mahal. Kemudahan ini menyebabkan internet dipenuhi berbagai
Lebih terperinciBab 1. Pendahuluan. aman semakin diperlukan untuk menjamin keamanan data. Berbagai solusi proteksi
1 Bab 1 Pendahuluan 1.1 Latar Belakang Di era teknologi informasi khususnya internet, keberadaan sistem proteksi yang aman semakin diperlukan untuk menjamin keamanan data. Berbagai solusi proteksi tersedia
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Manusia dianugrahi oleh Tuhan dua telinga yang memiliki fungsi untuk menangkap sinyal-sinyal suara. Namun untuk mengoptimalkan dari fungsi telinga tersebut manusia harus belajar
Lebih terperinciSistem Verifikasi Penutur menggunakan Metode Mel Frequensi.
SISTEM VERIFIKASI PENUTUR MENGGUNAKAN METODA MEL FREQUENCY CEPSTRAL COEFFICIENTS-VECTOR QUANTISATION (MFCC-VQ) SERTA SUM SQUARE ERROR (SSE) DAN PENGENALAN KATA MENGGUNAKAN METODA LOGIKA FUZZY Oleh : Atik
Lebih terperinciBAB I PENDAHULUAN ! <!!!!!
BAB I PENDAHULUAN 1.1 Latar Belakang Tuna wicara merupakan seseorang yang mengalami kesulitan dalam berbicara. Hal ini disebabkan oleh kurang atau tidak berfungsinya organ-organ untuk berbicara, seperti
Lebih terperinciSISTEM AKSES BUKU PERPUSTAKAAN JURUSAN TEKNIK ELEKTRO UNIVERSITAS ANDALAS MENGGUNAKAN APLIKASI PENGENALAN WICARA DENGAN METODA MFCC-VQ dan SSE
SISTEM AKSES BUKU PERPUSTAKAAN JURUSAN TEKNIK ELEKTRO UNIVERSITAS ANDALAS MENGGUNAKAN APLIKASI PENGENALAN WICARA DENGAN METODA MFCC-VQ dan SSE TUGAS AKHIR Diajukan Sebagai Salah Satu Syarat untuk Menyelesaikan
Lebih terperinciINDEPT, Vol. 3, No.1, Februari 2013 ISSN
SISTEM SPEAKER RECOGNITION (PENGENAL PENGUCAP) UNTUK MENCARI KARAKTERISTIK UCAPAN SESEORANG DENGAN METODE MEL FREQUENCY CEPTRUM COEFFISIENT (MFCC) MENGGUNAKAN SOFTWARE MATLAB Andriana, ST., MT. Dosen Fakultas
Lebih terperinciSeminar Nasional Ilmu Komputer (SNIK 2016) - Semarang, 10 Oktober 2016 ISBN:
Perintah Suara Berbahasa Indonesia untuk Membuka dan Menutup Aplikasi dalam Sistem Operasi Windows Menggunakan Metode Mel Frequency Cepstrum Coefficient dan Metode Backpropagation Zakaria Ramadhan 1, Sukmawati
Lebih terperinciBAB I PENDAHULUAN I.1 Latar Belakang
BAB I PENDAHULUAN I.1 Latar Belakang Prinsip teknologi dikembangkan adalah untuk membuat alat atau sarana yang dapat membantu dan memberi kemudahan bagi manusia untuk melakukan kegiatan dalam hidup. Seiring
Lebih terperinciPerbandingan Sistem Perhitungan Suara Tepuk Tangan dengan Metode Berbasis Frekuensi dan Metode Berbasis Amplitudo
Tersedia secara online di: http://journal.ipb.ac.id/index.php.jika Volume 2 Nomor 1 halaman 29-37 ISSN: 2089-6026 Perbandingan Sistem Perhitungan Suara Tepuk Tangan dengan Metode Berbasis Frekuensi dan
Lebih terperinciJurnal Komputer Terapan Vol. 1, No. 2, November 2015, Jurnal Politeknik Caltex Riau
Jurnal Komputer Terapan Vol. 1, No. 2, November 2015, 121-132 121 Jurnal Politeknik Caltex Riau http://jurnal.pcr.ac.id Aplikasi Pengenalan Ucapan Dengan Ekstraksi Ciri Mel- Frequency Cepstrum Coefficients
Lebih terperinciPengenalan Pembicara dengan Ekstraksi Ciri MFCC Menggunakan Kuantisasi Vektor (VQ) Yoyo Somantri & Erik Haritman dosen tek elektro fptk UPI.
Pengenalan Pembicara dengan Ekstraksi Ciri MFCC Menggunakan Kuantisasi Vektor (VQ) Yoyo Somantri & Erik Haritman dosen tek elektro fptk UPI. Tujuan Tujuan dari penelitian ini adalah untuk mengidentifikasi
Lebih terperinciBIOMETRIK SUARA DENGAN TRANSFORMASI WAVELET BERBASIS ORTHOGONAL DAUBENCHIES
Agustini, Biometrik Suara Dengan Transformasi Wavelet 49 BIOMETRIK SUARA DENGAN TRANSFORMASI WAVELET BERBASIS ORTHOGONAL DAUBENCHIES Ketut Agustini (1) Abstract: Biometric as one of identification or recognition
Lebih terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
Lebih terperinciIDENTIFIKASI CAMPURAN NADA PADA SUARA PIANO MENGGUNAKAN CODEBOOK
IDENTIFIKASI CAMPURAN NADA PADA SUARA PIANO MENGGUNAKAN CODEBOOK Ade Fruandta dan Agus Buono Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor Jl. Meranti
Lebih terperinciBAB 1 PENDAHULUAN. berkembang pesat pada akhir-akhir ini mengingat perkembangan teknologi yang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Kecerdasan buatan (artificial intelligence) merupakan bidang yang berkembang pesat pada akhir-akhir ini mengingat perkembangan teknologi yang mengarah kepada bidang
Lebih terperinci1. BAB I PENDAHULUAN 1.1. Latar Belakang
1. BAB I PENDAHULUAN 1.1. Latar Belakang Riset di bidang sistem pengenalan ucapan otomatis (Automatic Speech Recognition) merupakan salah satu riset yang banyak ditekuni dan terus dikembangkan hingga saat
Lebih terperinciBAB 1 PENDAHULUAN. mengenali penggunanya lebih tepat. Beberapa aplikasi biometrik antara lain retinal
BAB 1 PENDAHULUAN 1.1 Latar Belakang Biometrik adalah autentikasi secara biologis memungkinkan sistem dapat mengenali penggunanya lebih tepat. Beberapa aplikasi biometrik antara lain retinal scan, face
Lebih terperinciIdentifikasi Pembicara dengan Menggunakan Mel Frequency Cepstral Coefficient (MFCC) dan Self Organizing Map (SOM)
Pembicara dengan Menggunakan Mel Frequency Cepstral Coefficient (MFCC) dan Self Organizing Map (SOM) Inggih Permana 1, Benny Sukma Negara 2 1 Universitas Sultan Sarif Kasim Riau 2 Universitas Sultan Sarif
Lebih terperinciIDENTIFIKASI TUTUR DENGAN METODE KUANTISASI VEKTOR LINDE - BUZO - GRAY TUGAS AKHIR OLEH: YOHANES AGUNG SANTOSO PRANOTO
IDENTIFIKASI TUTUR DENGAN METODE KUANTISASI VEKTOR LINDE - BUZO - GRAY TUGAS AKHIR OLEH: YOHANES AGUNG SANTOSO PRANOTO 02.50.0020 PROGRAM STUDI TEKNIK ELEKTRO FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS KATOLIK
Lebih terperinciPengenalan Fonem Vokal Bahasa Jawa Mataraman Menggunakan Metode Liner Predictive Model Dan Hidden Markov Model
Pengenalan Fonem Vokal Bahasa Jawa Mataraman Menggunakan Metode Liner Predictive Model Dan Hidden Markov Model Ziaul Haq, Teknik Informatika S1,Universitas Dian Nuswantoro Semarang Abstract Pengenalan
Lebih terperinciTUGAS AKHIR. Diajukan Sebagai Salah Satu Syarat untuk Menyelesaikan Program Strata I Pada Jurusan Teknik Elektro Fakultas Teknik Universitas Andalas
TUGAS AKHIR PERANCANGAN DAN IMPLEMENTASI CONNECTED DIGIT RECOGNITION DENGAN METODE MEL FREQUENCY CEPSTRUM COEFFECIENT DAN HIDDEN MARKOV MODEL UNTUK VOICE DIALING PADA HANDPHONE TIGER C KF-828 Diajukan
Lebih terperinciRANCANG BANGUN APLIKASI PENGENAL PENUTUR MENGGUNAKAN METODE HIDDEN MARKOV MODEL (HMM)
RANCANG BANGUN APLIKASI PENGENAL PENUTUR MENGGUNAKAN METODE HIDDEN MARKOV MODEL (HMM) Maryati Gultom 1), Mukhlisa 2), Derry Alamsyah 3) 1 gultommaryati@gmail.com, 2 immobulus92@gmail.com, 3 derryfseiei@gmail.com
Lebih terperinciDigital Signal Processing To Identify chords Singer Using Mel Frequency Cepstral Coefficients (MFCC) and Neural Network Backpropagation Methods
Pemrosesan Sinyal DigitalUntuk Mengidentifikasi Akord Dasar Penyanyi Dengan Metode Mel Frequency Cepstral Coeficients (MFCC) Dan Jaringan Syaraf Tiruan Backpropagation Digital Signal Processing To Identify
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Genre musik adalah pengelompokan musik sesuai dengan kemiripan satu dengan yang lain, seperti kemiripan dalam hal frekuensi musik, struktur ritmik, dan konten harmoni. Genre
Lebih terperinciPEMANFAATAN TRANSFORMASI WAVELET SEBAGAI EKSTRAKSI CIRI PADA KLASIFIKASI BERTINGKAT SINYAL EKG
PEMANFAATAN TRANSFORMASI WAVELET SEBAGAI EKSTRAKSI CIRI PADA KLASIFIKASI BERTINGKAT SINYAL EKG T 610.28 PUT Abstrak Penelitian ini bertujuan untuk memperlihatkan suatu metoda pengenalan multi pola dari
Lebih terperincii. Perangkat Keras Prosesor Intel Pentium(R) Dual-Core CPU 2.20 GHz
Data yang pada awalnya berupa chanel stereo diubah ke dalam chanel mono. Kemudian data tersebut disimpan dengan file berekstensi WAV. Praproses Pada tahap ini dilakukan ekstraksi ciri menggunakan metode
Lebih terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION ABSTRAK Juventus Suharta (0722026) Jurusan Teknik Elektro
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Gelombang Bunyi Menurut Anwar, et al (2014), gelombang bunyi atau lebih khusus dikenal sebagai gelombang akustik adalah gelombang longitudinal yang berada dalam sebuah medium,
Lebih terperinci2.4. Vector Quantization Kebisingan BAB III METODOLOGI PENELITIAN Desain Penelitian Requirements Definition...
DAFTAR ISI PERNYATAAN... i KATA PENGANTAR... ii UCAPAN TERIMA KASIH... iii ABSTRAK... v ABSTRACT... vi DAFTAR ISI... vii DAFTAR TABEL... ix DAFTAR GAMBAR... x DAFTAR LAMPIRAN... xii BAB I PENDAHULUAN...
Lebih terperinciFrekuensi Dominan Dalam Vokal Bahasa Indonesia
Frekuensi Dominan Dalam Vokal Bahasa Indonesia Tjong Wan Sen #1 # Fakultas Komputer, Universitas Presiden Jln. Ki Hajar Dewantara, Jababeka, Cikarang 1 wansen@president.ac.id Abstract Pengenalan ucapan
Lebih terperinciKarakteristik Spesifikasi
Sinyal yang masuk difilter ke dalam sinyal frekuensi rendah (low-pass filter) dan sinyal frekuensi tinggi (high-pass filter) Lakukan downsampling pada kedua sinyal tersebut Low-pass frekuensi hasil downsampling
Lebih terperinciPengenalan Digit 0 Sampai 9 Menggunakan Ekstraksi Ciri MFCC dan Jaringan Syaraf Tiruan Backpropagation
1 JURNAL TEKNIK ELEKTRO ITP, Vol. 6, No. 1, JANUARI 2017 Pengenalan Digit 0 Sampai 9 Menggunakan Ekstraksi Ciri MFCC dan Jaringan Syaraf Tiruan Backpropagation Sitti Amalia Institut Teknologi Padang, Padang
Lebih terperinciAPLIKASI PENGENALAN GENDER MENGGUNAKAN SUARA
APLIKASI PENGENALAN GENDER MENGGUNAKAN SUARA Susetyo Bagas Bhaskoro 1), Altedzar Riedho W. D 2) 1) Universitas Widyatama. Jl. Cikutra 204 Bandung 40125 2) Politeknik Elektronika Negeri Surabaya Kampus
Lebih terperinciJony Sitepu/ ABSTRAK
PERBANDINGAN ESTIMASI SELUBUNG SPEKTRAL DARI BUNYI VOICED MENGGUNAKAN METODE AUTO-REGRESSIVE (AR) DENGAN OPTIMIZATION OF THE LIKELIHOOD CRITERION (OLC) Jony Sitepu/0422166 Jurusan Teknik Elektro, Fakultas
Lebih terperinciPENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN MODEL PROPAGASI BALIK
ABSTRAK PENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN Dosen Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Pada penelitian ini dibuat sebuah sistem pengenalan suara manusia dengan
Lebih terperinciPENERAPAN METODE HIDDEN MARKOV MODEL DAN MEL FREQUENCY CEPSTRUM COEFFICIENT DALAM PENGENALAN VOICE COMMAND BERBAHASA INDONESIA KOMPETENSI KOMPUTASI
PENERAPAN METODE HIDDEN MARKOV MODEL DAN MEL FREQUENCY CEPSTRUM COEFFICIENT DALAM PENGENALAN VOICE COMMAND BERBAHASA INDONESIA KOMPETENSI KOMPUTASI SKRIPSI I GEDE ARYA MAHARTA NIM. 1108605025 JURUSAN ILMU
Lebih terperinciANALISIS DAN PERANCANGAN PROGRAM APLIKASI. mahasiswa Binus University secara umum. Dan mampu membantu
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI 3.1. Analisa Sistem 3.1.1. Sejarah Umum Perusahaan Binus Learning Community adalah komunitas belajar binus yang berada dibawah sub unit mentoring Student
Lebih terperinciAPLIKASI SPEECH TO TEXT BERBAHASA INDONESIA MENGGUNAKAN MEL FREQUENCY CEPSTRAL COEFFICIENTS DAN HIDDEN MARKOV MODEL (HMM)
APLIKASI SPEECH TO TEXT BERBAHASA INDONESIA MENGGUNAKAN MEL FREQUENCY CEPSTRAL COEFFICIENTS DAN HIDDEN MARKOV MODEL (HMM) Eko Widiyanto, Sukmawati Nur Endah, Satriyo Adhy, Sutikno Jurusan Ilmu Komputer/Informatika,
Lebih terperinciPerancangan Sistem Pengenalan Suara Untuk Pengamanan Dan Pemantauan Fasilitas PLTA
Perancangan Sistem Pengenalan Suara Untuk Pengamanan Dan Pemantauan Fasilitas PLTA Yufliha Dian Ayunisa, Ir. Achmad Affandi, DEA, Ir. Wirawan, DEA Jurusan Teknik Elektro FTI ITS Abstrak - Sistem pengawasan
Lebih terperinciAplikasi Teknik Speech Recognition pada Voice Dial Telephone
Aplikasi Teknik Speech Recognition pada Voice Dial Telephone Oleh: Ahmad Irfan Abdul Rahman Tri Budi Santoso Titon Dutono Laboratorium Sinyal, Politeknik Elektronika Negeri Surabaya (PENS) Institut Teknologi
Lebih terperinciPerbandingan Estimasi Selubung Spektral dari Bunyi Voiced Menggunakan Metoda Auto-Regressive (AR) dengan Weighted-Least-Square (WLS) ABSTRAK
Perbandingan Estimasi Selubung Spektral dari Bunyi Voiced Menggunakan Metoda Auto-Regressive (AR) dengan Weighted-Least-Square (WLS) Bogerson/0322076 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Pengenalan fonem adalah implementasi dari speech to teks yang merupakan bagian dari speech recognition atau pengenalan ucapan. Pengenalan ucapan lebih dikonsentrasikan pada ekstraksi
Lebih terperinciKlasifikasi Burung Berdasarkan Suara Kicau Burung Menggunakan Jaringan Syaraf Tiruan Propagasi Balik
Klasifikasi Burung Berdasarkan Suara Kicau Burung Menggunakan Jaringan Syaraf Tiruan Propagasi Balik Lorencius Echo Sujianto Putera 1, C. Kuntoro Adi 2 1,2 Program Studi Teknik Informatika, FST, Universitas
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Biometrik adalah salah satu teknologi cangih yang banyak dipakai untuk menjadi bagian dari system keamanan di berbagai bidang. Biometrik ini bahkan sudah digunakan
Lebih terperinciIDENTIFIKASI BUNYI DALAM PEMBELAJARAN NADA DASAR PERMAINAN SULING BATAK MENGGUNAKAN METODE MEL-FREQUENCY CEPSTRAL COEFFICIENT SKRIPSI
IDENTIFIKASI BUNYI DALAM PEMBELAJARAN NADA DASAR PERMAINAN SULING BATAK MENGGUNAKAN METODE MEL-FREQUENCY CEPSTRAL COEFFICIENT SKRIPSI MUHAMMAD WARDANA 121402024 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS
Lebih terperinciPENGUKURAN SPEKTRUM SUARA MANUSIA LANSIA BERDASARKAN JENIS KELAMIN DAN SUKU MENGGUNAKAN SOFTWARE PRAAT
PENGUKURAN SPEKTRUM SUARA MANUSIA LANSIA BERDASARKAN JENIS KELAMIN DAN SUKU MENGGUNAKAN SOFTWARE PRAAT Salomo, Natalia, Erwin Jurusan Fisika FMIPA Universitas Riau Pekanbaru email:m.cnatalia@yahoo.co.id
Lebih terperinciPenerapanHidden Markov Model (HMM) pada Pengenalan Penutur
Jatisi, Vol. 1 No. 1 September 2014 111 PenerapanHidden Markov Model (HMM) pada Pengenalan Penutur Mukhlisa* 1, Maryati Gultom 2, Derry Alamsyah 3 1,2,3 STMIK GI MDP; Jln. Rajawali No. 14, 0711 376400
Lebih terperinciSISTEM PENGENALAN CHORD PADA FILE MUSIK DIGITAL DENGAN MENGGUNAKAN PITCH CLASS PROFILES DAN HIDDEN MARKOV MODEL. Ivanna K. Timotius, Adhi Prayogo
SISTEM PENGENALAN CHORD PADA FILE MUSIK DIGITAL DENGAN MENGGUNAKAN PITCH CLASS PROFILES DAN HIDDEN MARKOV MODEL Fakultas Teknik Elektronika dan Komputer, Program Studi Teknik Elektro, Universitas Kristen
Lebih terperinciAPLIKASI SPEECH RECOGNITION BAHASA INDONESIA DENGAN METODE MEL-FREQUENCY CEPSTRAL COEFFICIENT
APLIKASI SPEECH RECOGNITION BAHASA INDONESIA DENGAN METODE MEL-FREQUENCY CEPSTRAL COEFFICIENT DAN LINEAR VECTOR QUANTIZATION UNTUK PENGENDALIAN GERAK ROBOT Anggoro Wicaksono, Sukmawati NE, Satriyo Adhy,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Teknologi speech recognition merupakan teknologi pengenalan wicara yang memanfaatkan sinyal suara manusia sebagai masukan yang kemudian dikenali oleh sistem. Teknologi
Lebih terperinciAPLIKASI PENGENALAN SUARA DIGITAL NADA DASAR PIANO SKRIPSI M. ARDIANSYAH
APLIKASI PENGENALAN SUARA DIGITAL NADA DASAR PIANO SKRIPSI M. ARDIANSYAH 091402062 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2014
Lebih terperinciImplementasi Algoritma Knuth Morris Pratt pada Alat Penerjemah Suara
Implementasi Algoritma Knuth Morris Pratt pada Alat Penerjemah Suara Bima Laksmana Pramudita (13511042) Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung,
Lebih terperinciPENINGKATAN KUALITAS SINYAL SUARA DENGAN METODE PENDEKATAN SUBRUANG ABSTRAK
PENINGKATAN KUALITAS SINYAL SUARA DENGAN METODE PENDEKATAN SUBRUANG David Paroki Butarbutar / 0322138 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia
Lebih terperinciPENDETEKSIAN TINGKAT USIA MUDA, DEWASA DAN TUA MENGGUNAKAN METODE MFCC DAN FUZZY LOGIC BERBASISKAN SPEECH RECOGNITION
PENDETEKSIAN TINGKAT USIA MUDA, DEWASA DAN TUA MENGGUNAKAN METODE MFCC DAN FUZZY LOGIC BERBASISKAN SPEECH RECOGNITION DETECTION OF THE LEVEL OF YOUTH, ADULTS AND ELDERLY BY USING MFCC METHOD AND FUZZY
Lebih terperinciPENDAHULUAN Tujuan Latar Belakang Ruang Lingkup Manfaat Penelitian TINJAUAN PUSTAKA Nada dan Chord Gitar
PENDAHULUAN Latar Belakang Sistem pendengaran manusia memiliki kemampuan yang luar biasa dalam menangkap dan mengenali sinyal suara. Dalam mengenali sebuah kata ataupun kalimat bukanlah hal yang sulit
Lebih terperinciRekognisi Pengucap Forensik Forensic Speaker Recognition
Rekognisi Pengucap Forensik Forensic Speaker Recognition Untuk Komunitas: Lingkar Soca 28 Februari 2016 Oleh: Miranti Indar Mandasari, ST., MT. Institut Teknologi Bandung, Indonesia Radboud University
Lebih terperinciPenerapan Metode Mel Frequency Ceptral Coefficient dan Learning Vector Quantization untuk Text-Dependent Speaker Identification
Jurnal Telematika, vol. 11 no. 1, Institut Teknologi Harapan Bangsa, Bandung ISSN: 1858-2516 Penerapan Metode Mel Frequency Ceptral Coefficient dan Learning Vector Quantization untuk Text-Dependent Speaker
Lebih terperinciIdentifikasi Suara Vokal Suku Banjar Berdasarkan Frekuensi Formant
Identifikasi Suara Vokal Suku Banjar Berdasarkan Frekuensi Formant Arfan Eko Fahrudin 1), Nofida Risna Diyanti 2) dan Tetti Novalina Manik 1) Abstrak: Telah dibuat program untuk mengidentifikasi suara
Lebih terperinciTINJAUAN PUSTAKA. Pengenalan Suara
Pengenalan Suara TINJAUAN PUSTAKA Menurut Peacock (1990), pengenalan suara merupakan kemampuan untuk mengidentifikasi kata-kata yang diucapkan. Terdapat 5 faktor yang dapat mengontrol dan menyederhanakan
Lebih terperinciBab 3. Perancangan Sistem
34 Bab 3 Perancangan Sistem 3.1 Gambaran Umum Sistem Aplikasi yang kami namakan Voice Protect ini, mempunyai alur program sebagai berikut: Start Enkripsi Dekripsi Pilih File Buka file enkripsi Rekam Suara
Lebih terperinciPENGENALAN SUARA BURUNG MENGGUNAKAN MEL FREQUENCY CEPSTRUM COEFFICIENT DAN JARINGAN SYARAF TIRUAN PADA SISTEM PENGUSIR HAMA BURUNG
PENGENALAN SUARA BURUNG MENGGUNAKAN MEL FREQUENCY CEPSTRUM COEFFICIENT DAN JARINGAN SYARAF TIRUAN PADA SISTEM PENGUSIR HAMA BURUNG TUGAS AKHIR MUHAMMAD AGUNG NURSYEHA 2211100164 Pembimbing: Dr. Muhammad
Lebih terperinciUNIVERSITAS INDONESIA ANALISIS DAN PERANCANGAN PERANGKAT LUNAK UNTUK MENENTUKAN JENIS IKAN SECARA REAL-TIME DENGAN MENGGUNAKAN METODA HIDDEN MARKOV
UNIVERSITAS INDONESIA ANALISIS DAN PERANCANGAN PERANGKAT LUNAK UNTUK MENENTUKAN JENIS IKAN SECARA REAL-TIME DENGAN MENGGUNAKAN METODA HIDDEN MARKOV SKRIPSI YUNANTO WIDYATMAJI 0404030881 FAKULTAS TEKNIK
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. 4.1 Spesifikasi Hardware dan Software yang digunakan dalam penelitian
BAB IV IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Hardware dan Software yang digunakan dalam penelitian Penelitian ini dilakukan dengan menggunakan satu set komputer dengan prosesor berkecepatan 1,18 GHz,
Lebih terperinciUNIVERSITAS BINA NUSANTARA
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2005/2006 PERANCANGAN SISTEM PROTEKSI FILE DENGAN PASSWORD SUARA Rendy Sesario 0600615431 Samanta Limbrada
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Suara (Wicara) Suara khususnya wicara merupakan cara yang natural bahkan paling penting dalam melakukan proses komunikasi. Dalam kehidupan sehari-hari, manusia melakukan berbagai
Lebih terperinciBAB I PENDAHULUAN. menggunakan voice recognition dapat membantu user memilih produk buah
BAB I PENDAHULUAN 1.1 Latar Belakang Buah Semangka adalah tanaman merambat yang berasal dari daerah gurun di Afrika bagian selatan (Agritekno, tt). Buah semangka masih sekerabat dengan labulabuan. Buah
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION Disusun oleh: Togu Pangaribuan 0722087 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.Drg. Suria Sumantri, MPH No. 65, Bandung
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
Lebih terperinciDielektrika, ISSN Vol. 2, No. 2 : , Agustus 2015
Dielektrika, ISSN 2086-9487 105 Vol. 2, No. 2 : 105-113, Agustus 2015 SPEAKER IDENTIFICATION MENGGUNAKAN METODE MEL FREQUENCY CEPSTRUM COEFFICIENTS (MFCC) DAN DYNAMIC TIME WARPING (DTW) Speaker Identification
Lebih terperinciBAB I PENDAHULUAN. pengenalan terhadap gelombang suara. Pengenalan gelombang suara yang sudah
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi memungkinkan kita untuk melakukan suatu pengenalan terhadap gelombang suara. Pengenalan gelombang suara yang sudah sering diimplementasikan adalah
Lebih terperinciBAB I PENDAHULUAN. mengenali dan membedakan ciri khas yang dimiliki suatu objek (Hidayatno,
1 BAB I PENDAHULUAN A. Latar belakang Saat ini pemanfaatan teknologi pengolaan citra untuk mempermudah manusia dalam menyelesaikan masalah-masalah tertentu sudah banyak diterapkan, khususnya dibidang Identifikasi.
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Jaringan syaraf tiruan merupakan bidang ilmu yang banyak digunakan dalam melakukan pengenalan pola suatu obyek. Banyak obyek yang dapat digunakan untuk pengenalan pola
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Berikut merupakan desain penelitian yang akan digunakan pada proses penelitian penerapan Hidden Markov Models : 40 Studi Literatur dan Kepustakaan Rumusan
Lebih terperinciPENERAPAN MEL FREQUENCY CEPSTRUM COEFFICIENTS
PENERAPAN MEL FREQUENCY CEPSTRUM COEFFICIENTS (MFCC) SEBAGAI EKSTRAKSI CIRI PADA PENGENALAN FONEM DENGAN PROBABILISTIC NEURAL NETWORK (PNN) SEBAGAI CLASSIFIER CLARA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA
Lebih terperinciSIMULASI DAN ANALISIS KLASIFIKASI GENRE MUSIK BERBASIS FFT DAN CONTINOUS DENSITY HIDDEN MARKOV MODEL
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 262 SIMULASI DAN ANALISIS KLASIFIKASI GENRE MUSIK BERBASIS FFT DAN CONTINOUS DENSITY HIDDEN MARKOV MODEL SIMULATION AND ANALYSIS
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Emosi Emosi adalah perasaan intens yang ditujukan kepada seseorang atau sesuatu dan juga merupakan reaksi terhadap seseorang atau kejadian.emosi dapat ditunjukkan ketika merasa
Lebih terperinciBAB 1 PENDAHULUAN. Sistem Pakar (Expert System), Jaringan Saraf Tiruan (Artificial Neural Network), Visi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di era yang semakin maju ini, teknologi telah memegang peranan penting dalam kehidupan manusia sehari-hari, sehingga kemajuannya sangat dinantikan dan dinikmati para
Lebih terperinciPENGARUH UJI TUKEY TERHADAP VERIFIKASI TANDA TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN
PENGARUH UJI TUKEY TERHADAP VERIFIKASI TANDA TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK Thari Novianty Mentaruk (0722100) Jurusan Teknik Elektro e-mail : thari_novianty_m@yahoo.com Verifikasi tanda
Lebih terperinciPengembangan Model HMM Berbasis Maksimum Lokal Menggunakan Jarad Euclid Untuk Sistem Identifikasi Pembicara -,,
-- -- roceedings of NATIONAL CONFERENCE ON COMPUTER SCIENCE & INFORMATION TECHNOLOGY 200 anuary 29-30.2007, Faculty of Computer Science, University of Indonesia * Pengembangan Model HMM Berbasis Maksimum
Lebih terperinciSISTEM PENGENALAN PENUTUR DENGAN METODE MEL-FREQUENCY WRAPPING DAN KUANTISASI VEKTOR
SISTEM PENGENALAN PENUTUR DENGAN METODE MEL-FREQUENCY WRAPPING DAN KUANTISASI VEKTOR Ali Mustofa Jurusan Teknik Elektro, Universitas Brawijaya Email: a_tofa@yahoo.com Abstrak - Pengenalan penutur adalah
Lebih terperinciRancang Bangun Modul Pengenalan Suara Menggunakan Teknologi Kinect
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 1 Rancang Bangun Modul Pengenalan Suara Menggunakan Teknologi Kinect Ratri Cahyarini, Umi Laili Yuhana, dan Abdul Munif Teknik
Lebih terperinciIMPLEMENTASI DAN ANALISIS PENGOLAHAN KATA MENGGUNAKAN ALGORITMA HIDDEN MARKOV MODEL DENGAN POCKETSPHINX
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.3 Desember 2015 Page 7422 IMPLEMENTASI DAN ANALISIS PENGOLAHAN KATA MENGGUNAKAN ALGORITMA HIDDEN MARKOV MODEL DENGAN POCKETSPHINX IMPLEMENTATION
Lebih terperinciVerifikasi Suara menggunakan Jaringan Syaraf Tiruan dan Ekstraksi Ciri Mel Frequency Cepstral Coefficient
32 Jurnal Sistem Informasi Bisnis 0(207) On-line : http://ejournalundipacid/indexphp/jsinbis Verifikasi Suara menggunakan Jaringan Syaraf Tiruan dan Ekstraksi Ciri Mel Frequency Cepstral Coefficient Andi
Lebih terperinciRANCANGAN APLIKASI BIOMETRIK BERDASARKAN FACIAL EMG
RANCANGAN APLIKASI BIOMETRIK BERDASARKAN FACIAL EMG (Risa, Andi Rahmadiansah) Jurusan Teknik Fisika FTI ITS Surabaya Kampus ITS Keputih Sukolilo Surabaya 60111 Telp : +6231-5947188 Fax : +6231-5923626
Lebih terperinciBAB I PENDAHULUAN. dikeluarkan dari mulut manusia (Seperti pada waktu bercakap-cakap, menyanyi,
BAB I PENDAHULUAN 1.1 Latar Belakang Menurut Kamus Besar Bahasa Indonesia (KBBI) suara adalah bunyi yang dikeluarkan dari mulut manusia (Seperti pada waktu bercakap-cakap, menyanyi, tertawa, dan menangis).
Lebih terperinciBAB I PENDAHULUAN. manusia satu dengan manusia lainnya berbeda-beda intonasi dan nadanya, maka
BAB I PENDAHULUAN 1.1. LATAR BELAKANG MASALAH Suara adalah suatu alat komunikasi paling utama yang dimiliki oleh manusia. Dengan suara, manusia dapat berkomunikasi dengan manusia lainnya. Melalui suara,
Lebih terperinciKata Kunci: Suara; Mel Frequency Cepstral Coefficient; K-NEAREST NEIGHBOUR
120 Dielektrika, [P-ISSN 2086-9487] [E-ISSN 2579-650X] Vol. 4, No. 2 : 120-126, Agustus 2017 KLASIFIKASI SUARA BERDASARKAN USIA MENGGUNAKAN MEL FREQUENCY CEPSTRAL COEFFICIENT (MFCC) DAN K-NEAREST NEIGHBOUR
Lebih terperinciPERBANDINGAN BERBAGAI METODE UKURAN JARAK UNTUK PENGENALAN FONEM DENGAN MFCC SEBAGAI EKSTRAKSI CIRI YULIANA SURI
PERBANDINGAN BERBAGAI METODE UKURAN JARAK UNTUK PENGENALAN FONEM DENGAN MFCC SEBAGAI EKSTRAKSI CIRI YULIANA SURI DAPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Isyarat tutur merupakan isyarat yang diproduksi oleh alat ucap manusia hingga menghasilkan informasi, baik berupa makna dari isyarat tutur yang diucapkan maupun yang
Lebih terperinciLIP-SYNC KARAKTER ANIMASI MENGGUNAKAN HIDDEN MARKOV MODEL
LIP-SYNC KARAKTER ANIMASI MENGGUNAKAN HIDDEN MARKOV MODEL Mursyidah Dosen Teknik Multimedia dan Jaringan Politeknik Negeri Lhokseumawe E-mail : mursyidahpoli@gmail.com ABSTRAK Ketika berbicara manusia
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Tetris Tetris adalah sebuah tipe permainan yang dibuat oleh seorang programmer berkebangsaan Rusia yang bernama Alexey Pajitnov pada tahun 1984 dan semenjak saat itu game tetris
Lebih terperinciIdentifikasi Suara Pengontrol Lampu Menggunakan Mel-Frequency Cepstral Coefficients dan Hidden Markov Model
Identifikasi Suara Pengontrol Lampu Menggunakan Mel-Frequency Cepstral Coefficients dan Hidden Markov Model Angga Kersana Munggaran 1, Esmeralda C Djamal, Rezki Yuniarti Jurusan Informatika, Fakultas MIPA
Lebih terperinciPengenalan Wajah Manusia dengan Hidden Markov Model (HMM) dan Fast Fourier Transform (FFT)
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Pengenalan Wajah Manusia dengan Hidden Markov Model (HMM) dan Fast Fourier Transform (FFT) Andes Andriady 1, Fandi Sanjaya 2, Derry Alamsyah 3 1,2,3
Lebih terperinciSIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION )
SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION ) Fachrul Kurniawan, Hani Nurhayati Jurusan Teknik Informatika, Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana Malik
Lebih terperinci